Китайский суперкомпьютер стал лидером мирового рейтинга в обработке больших данных

Рейтинг Green Graph500 оценивает производительность суперкомпьютеров на основе их энергоэффективности при решении задач, связанных с большими данными. Обновленный Tianhe, разработанный учёными Национального университета оборонных технологий Китая, https://www.scmp.com/news/china/science/article/3287561/chin... значительно мощнее, чем его предыдущая версия, занявшая в прошлом году второе место с результатом 4 385 MTEPS/W.

Американский суперкомпьютер Eniad, разработанный в Университете Пенсильвании, стал тогда третьим в рейтинге с показателем 2 057 MTEPS/W. Это подчеркивает значительный разрыв в эффективности между китайской и американской разработками, подчёркивая прогресс Китая в области энергоэффективных вычислений для ИИ.

Метрика MTEPS/W используется для оценки способности суперкомпьютера обмениваться данными внутри системы. Такой показатель особенно важен для задач искусственного интеллекта, где ключевую роль играет обработка огромных массивов данных. Tianhe Exa-node Prototype показывает, что Китай активно продвигается к доминированию в области вычислительных технологий.

Рейтинг Green Graph500 был основан в 2013 году как расширение проекта Graph500, запущенного в 2010 году на Международной конференции по суперкомпьютерам (ISC). Он дает оценку по единым критериям производительности суперкомпьютеров в задачах, связанных с обработкой больших объемов данных, приводя их характеристики, к ключевому показателю. Green Graph500, в свою очередь, фокусируется на измерении энергоэффективности этих систем, предоставляя метрику производительности на ватт при выполнении графовых вычислений.

Обработка графов имеет решающее значение для искусственного интеллекта, поскольку многие задачи ИИ, включая анализ социальных сетей, биоинформатику и обработку естественного языка, представляют данные в виде графов. Эффективная обработка таких структур позволяет моделям ИИ выявлять сложные взаимосвязи и зависимости, что улучшает качество прогнозов и решений. Кроме того, оптимизация графовых вычислений способствует снижению энергопотребления и повышению производительности систем, что особенно важно в контексте масштабируемых приложений ИИ.